Функция, которую вы привели:

def remove_dups$lst$:
res = for x in lst:
if x not in res:
res.append$x$ return res

Что она делает

Возвращает новый список, содержащий первые вхождения элементов из lst, т.е. удаляет повторяющиеся элементы, сохраняя порядок появления $stable,keep-first$.

Асимптотика и недостатки

Время: O$n^2$ в худшем и типичном случае. Причина: проверка "x not in res" — поиск по списку занимает O$k$, где k — текущий размер res; в среднем суммарно получается ~1 + 2 + ... + u = O$u^2$ ≤ O$n^2$ $u—числоуникальных,n—длинаисходного$.Память: O$u$ дополнительной памяти для результата res $u\le n$.Другие недостатки:
Очень медленная на больших списках.Если элементы хешируемы, есть более быстрые варианты — текущее решение их не использует.Работает с любыми $включаянепереставляемые$ элементами, но это преимущество ценой производительности.

Как минимум два улучшения $ссохранениемпорядка$:

1) Использовать множество "seen" для проверки вхождений $быстрое;требуетхешируемыхэлементов$ Код:
def remove_dups_hashable$lst$:
seen = set res = for x in lst:
if x not in seen:
res.append$x$ seen.add$x$ return res

Асимптотика:

Время: O$n$ в среднем $поамортизированнойстоимостихеш-операций$. В редких творческих атакующих сценах или при множестве коллизий можно получить деградацию до O$n^2$, но на практике — O$n$.Память: O$u$ для seen + O$u$ для res.

Плюсы: очень быстро; простой код.
Минусы: элементы должны быть хешируемы $например,несписки/словаря$. Использует дополнительный set.

2) Использовать dict.fromkeys $короткоиэффективно,используетхеширование$ Код $Python3.7+гарантируетсохранениепорядкаключей$:
def remove_dups_dict$lst$:
return list$dict.fromkeys(lst)$

Асимптотика:

Время: O$n$ в среднем.Память: O$u$ для словаря + итоговый список O$u$.

Плюсы: минималистичный один вызов, быстро.
Минусы: требует хешируемых элементов.

3) In-place вариант с двумя указателями $уменьшаетдополнительнуюпамятьдлярезультирующегосписка$ Если хотите не выделять новый список res $экономияпамятинаодномсписке$, но при этом всё ещё пользоваться set для быстрого поиска:
def remove_dups_inplace$lst$:
seen = set write = 0
for read in range$len(lst)$:
x = lst$$read$$ if x not in seen:
seen.add$x$ lst$$write$$ = x
write += 1

удалить хвостdel lst$$write:$$ return lst

Асимптотика:

Время: O$n$ в среднем.Память: O$u$ для seen; нет отдельного списка res $памятьнарезультат—висходномсписке$.

Плюсы: экономия памяти при большом исходном списке $несоздаёмвторойсписоктакогожеразмера$.
Минусы: модифицирует входной список; требует хешируемых элементов.

4) Для непереставляемых/нехешируемых элементов
Если элементы могут быть не хешируемыми $например,списки$ и нужно сохранять именно их $неприводитькдругомутипу$, варианты:

Оставить O$n^2$ решение $вашеначальное$ — корректно, но медленно.

Преобразовать элементы в представление, которое можно хешировать $например,tuple(x)длясписков$ и использовать seen для этих ключей, при этом добавлять в res оригинальные объекты:
def remove_dups_by_repr$lst$:
seen = set res = for x in lst:
key = repr$x$ # или tuple$x$ / json.dumps$x$ — в зависимости от случая
if key not in seen:
seen.add$key$ res.append$x$ return res
Внимание: repr/json/serializing могут быть медленными и потенциально небезопасными/рискованными $коллизии,разныеобъектысодинаковымrepr,чувствительностькпорядкуключейвсловаряхит.п.$

Альтернатива: использовать OrderedDict и попытаться вставлять ключи, но всё равно ключи должны быть хешируемыми.

5) Для особых доменов данных $целыевузкомдиапазоне$ Если значения — целые из известного относительно небольшого диапазона, можно применять битовые таблицы/массивы булевых флагов для уменьшения памяти и ускорения до O$n$ с меньшими накладными расходами, чем set.

Резюме и рекомендации

Если элементы хешируемы $чащевсеготак$: используйте seen = set вместе с res $вариант1$ или удобный dict.fromkeys $вариант2$. Это даёт O$n$ время и простоту.Если нужно экономить память на новом списке — используйте in-place алгоритм $вариант3$.Если элементы не хешируемы и нельзя конвертировать безопасно, остаётся O$n^2$ вариант либо предварительная сериализация в хешируемую форму $соговорками$.Избегайте сортировки $потеряпорядка$ и вероятностных структур $bloomfilter$ если необходима точная детерминированная фильтрация без ложных положительных результатов.

Если хотите, могу привести готовые оптимальные реализации с тестами и примерами для ваших конкретных типов данных.